Proceso estratificación para estimaciones por año del hecho, estimaciones totales y perpetrador
Víctimas de homicidio - 1985–2018
Introducción
Si es su primera vez trabajando con los datos, no está muy familiarizado con el
paquete o simplemente quiere conocer más sobre el proyecto y el objetivo de
estos ejemplos y el paquete verdata, consulte:
https://github.com/HRDAG/CO-examples/blob/main/Introducción/output/Introducción.html
antes de continuar.
En este ejemplo se ilustrará el proceso de estratificación para el posterior proceso de estimación del total de víctimas (vinculadas al conflicto armado) por año del hecho, perpetrador y también las víctimas totales (1985–2018) ya que, en comparación con otros ejercicios, el presente ejemplo nos permitirá estimar el subregistro de víctimas desagregadas por estas variables sin necesidad de realizar tres tipos de estratificaciones.
Autenticando e importando la base de datos (réplicas)
Se comienza autenticando e importando la base de datos de homicidio, esto a
través de dos funciones del paquete verdata: las funciones confirm_files y
read_replicates. La autenticación de los datos es pertinente dado que estos
fueron publicados con la licencia de atribución 4.0 internacional de Creative
Commons (CC BY 4.0). Esta licencia permite la distribución y modificación de la
información y, considerando que usted pudo haber llegado a estos datos por medio
de diferentes fuentes, es importante que sepa si han sido modificados o no, para
lo que puede hacer uso de estas dos funciones.
La función confirm_files autentica los archivos que han sido descargados.
Considerandoque cada violación tiene hasta 100 réplicas, esta función permite
autenticar cada uno de estos archivos sin necesidad de leerlos a R. Esto, en
caso de querer ahorrar recursos computacionales, o en caso de que no vaya a
realizar su análisis con todas las réplicas. Esta función devolverá una tabla
con dos columnas: una indicando la ruta del archivo y otra indicando si el archivo
es igual al publicado. En caso de que al menos uno de los archivos no sea igual,
la función devuelve el mensaje “Some replicate file contents do not match the published versions”.
Además, la función read_replicates permite 2 cosas: leer las réplicas a R en
una sola tabla (ya sea a partir de un formato csv o parquet) y verificar
que el contenido de las réplicas sea exactamente igual al publicado.
Cuando el argumento crash tiene su valor por default (TRUE), la función
retorna un objeto (data frame) si el contenido es igual, y el mensaje
“The content of the files is not identical to the ones published. This means the results of the analysis may potentially be inconsistent.” si el contenido de la base fue
previamente alterado/modificado, lo que quiere decir que los análisis que el
usuario realice serán inconsistentes y llevarán a resultados erróneos.
Este último error significa que nos datos no se han leído a R. Si por alguna
razón, usted quiere leer dicha información a pesar de saber que no son los mismos datos
originalmente publicados, puede cambiar el argumento crash a FALSE, y,
en ese caso, podrá ver los datos junto con el mismo mensaje de advertencia.
replicas_datos <- verdata::read_replicates(here::here("verdata-parquet/homicidio"),
"homicidio", c(1:10))
paged_table(replicas_datos, options = list(rows.print = 10, cols.print = 5))Vemos que tenemos 5 543 690 registros, nuestras réplicas van desde la número 1 hasta la 10. Además, nuestros datos tienen información sobre la categoría de edad de la víctima, el presunto perpetrador, el sexo, el año del hecho, la pertenencia étnica, entre otros. Sin embargo, para centrarnos en un análisis más específico, tal como el realizado para el anexo metodológico, procederemos a crear, transformar y/o filtrar algunas variables.
Filtrando las réplicas acorde con el filtro del anexo metodológico
La función filter_standard_cev nos permite transformar o filtrar nuestra
información. Por ejemplo, las víctimas que se documentaron como víctimas
de la ex-guerrilla FARC-EP en años posteriores a 2016 pasaron a ser víctimas de
otras guerrillas, ya que este primer grupo oficialmente dejó de existir después
de dicho año (perp_change = TRUE). Adicionalmente filtramos por los homicidios
ocurridos dentro del marco del conflicto armado (is_conflict == 1).
replicas_estratos <- verdata::filter_standard_cev(replicas_datos,
"homicidio",
perp_change = TRUE) %>%
dplyr::mutate(is_conflict = as.integer(is_conflict)) %>%
dplyr::filter(is_conflict == 1)
paged_table(replicas_estratos, options = list(rows.print = 10, cols.print = 5))Proceso estratificación para estimaciones
Ahora bien, con el fin de controlar la heterogeneidad en las probabilidades de captura
(ver más de este concepto en el anexo metodológico del proyecto) se
estratifica la información de acuerdo con el análisis a realizar. En este caso,
como queremos estimar el subregistro de la presente violación por perpetrador,
año del hecho y también por el total de víctimas viculadas al conflicto
(“is_conflict”) se estratificará por dichas variables. Es importante que usted
como usuario vea que este proceso es netamente artesanal, es decir, usted puede
usar su propio código o funciones para realizar este proceso que, en nuestro
caso, será a través de una función previamente creada (fuera del paquete
verdata) para facilitar este ejercicio:
stratify <- function(replicate_data, schema) {
schema_list <- unlist(str_split(schema, pattern = ","))
grouped_data <- replicate_data %>%
group_by(!!!syms(schema_list))
stratification_vars <- grouped_data %>%
group_keys() %>%
group_by_all() %>%
group_split()
split_data <- grouped_data %>%
group_split(.keep = FALSE)
return(list(strata_data = split_data,
stratification_vars = stratification_vars))
}Entonces, en primera instancia creamos una función que necesita de dos argumentos:
El argumento replicate_data se refiere a un data frame a estratificar, que en nuestro caso es replicas_estratos, es decir, la información previamente filtrada.
El segundo argumento son las variables de estratificación (schema). Recordemos que la estratificación es un instrumento para controlar la heterogeneidad, entonces estas son variables que pensamos pueden afectar la probabilidad de registro de las víctimas y, por lo tanto, queremos agrupar las víctimas con características similares. Todas estas variables deben encontrarse en el objeto replicas_estratos.
En términos generales, lo que hace esta función es: primero agrupa por las variables de estratificación y guarda en una lista llamada strata_data esta información. En ese sentido, cada elemento de la lista es una tabla con las víctimas que hacen parte de ese estrato. En segundo lugar, se define el nombre de cada estrato para poder identificarlos cuando estimemos. Para esto se retorna una lista llamada stratification_vars que contiene las combinaciones de las variables, es decir, el nombre del estrato.
A continuación se aplica la función:
El paso anterior muestra la forma en la que aplicamos la función. Considerando que en este ejemplo queremos estimar el número de víctimas de la presente violación por la(s) variable(s) nombrada(s), la estratificación se hace por la(s) variable(s) yy_hecho y p_str para cada réplica. El objeto schema contiene una cadena de caracteres con los nombres de las variables en el data frame. Luego, como se mencionó, usamos la tabla replicas_estratos como primer argumento y el objeto schema como segundo. Lo que obtenemos es lo siguiente:
El objeto listas contiene dos listas. La primera, llamada strata_data contiene las víctimas de acuerdo con sus características. Por ejemplo, el elemento 60 de la lista contiene las víctimas de 1993 por parte de otras guerrillas presentes en la réplica 1 (ver el objeto victimas_estrato y victimas_estrato_nombre):
datos <- listas[["strata_data"]]
victimas_estrato <- datos[[60]]
paged_table(victimas_estrato, options = list(rows.print = 10, cols.print = 5))nombres <- listas[["stratification_vars"]]
victimas_estrato_nombre <- nombres[[60]]
paged_table(victimas_estrato_nombre, options = list(rows.print = 10, cols.print = 5))Teniendo esta estratificación procederemos a guardar el objeto listas
en nuestra maquina local (con la función saveRDS) para usarlo en nuestro
próximo ejemplo sobre el proceso de estimación y combinación.